[发明专利]基于人工智能的航天器故障诊断方法

摘要

本发明公开了一种基于反向传播BP神经网络的航天器故障诊断方法，主要解决现有技术中对先验知识依赖性强的问题。本发明利用航天器环境数据训练反向传播BP神经网络，对航天器异常事件发生的概率数据进行拟合。其实现方案为：确定反向传播BP神经网络模型；获取反向传播BP神经网络的训练集数据和测试集数据；初始化反向传播BP神经网络的参数；对反向传播BP神经网络进行训练；对训练好的反向传播BP神经网络进行优化；利用优化好的BP神经网络对新的航天器数据进行故障诊断。本发明充分利用了BP神经网络的自适应能力和学习能力，能很好地对航天器异常事件发生的概率数据进行拟合，减少了对先验知识的依赖，可用于无线网络通信领域。

主权项

1.一种基于人工智能的航天器故障诊断方法，其特征在于，包括如下：(1)确定反向传播BP神经网络模型：定义反向传播BP神经网络结构包括：一个输入层，两个隐藏层，一个输出层，该反向传播BP神经网络的输入为预处理后的航天环境数据，其输出表示航天器某类异常事件发生的概率；(2)获取反向传播BP神经网络的训练集数据和测试集数据：将航天环境数据集中的70％数据作为训练样本集，其余30％数据作为测试样本集，并对训练样本集和测试样本集进行归一化，得到归一化的训练样本集Xr和测试样本集Xt；提取出训练样本集对应的标签和测试样本集对应的标签其中表示第k个训练样本对应的标签值，表示第n个测试样本对应的标签值，k＝1,2,...,p，n＝1,2,...,q，p表示所有训练样本数，q表示所有测试样本数；(3)初始化反向传播BP神经网络的参数：将BP神经网络的权重矩阵W(l)和偏置向量b(l)初始化为0～1之间的随机数，设置输入层和隐藏层的神经元个数为sl，输出层神经元个数为1，其中l＝1,2,...,L‑1，L表示BP神经网络总的层数；(4)对反向传播BP网络进行训练：(4a)设反向传播BP网络训练的当前迭代次数为M，其中M＝1,2,3,...,Mmax，Mmax为设置的训练BP网络最大迭代次数；设网络训练的目标误差值为Acc，设网络训练的误差值为err；本实例中取Mmax＝5000，err＝1.0，Acc＝0.0005；(4b)采用最大最小归一化方法对训练集进行预处理，得到归一化后的训练集Xr；(4c)在归一化的训练集Xr中随机选取一个样本，输入到反向传播BP神经网络中，计算训练集中单个样本对应的BP神经网络的实际输出值y(k)；(4d)采用基于梯度下降法的反向传播算法，利用训练集中第k个样本对应的网络的实际输出值y^(k)和期望输出值对BP网络进行微调，实现对网络参数的更新；(4e)参数更新后，采用最小均方误差评估方法，利用所有训练样本对应的网络的实际输出值Yrp＝{y(1),y(2),...,y(k),...,y(p)}和期望输出值Yr计算BP神经网络的全局训练误差Accr，并判断AccrAcc是否成立，若是，则调整M，返回(4)，否则，得到优化后的BP神经网络，执行(6)；(6)将新的归一化的航天环境数据集V输入到训练好的BP神经网络中，得到故障诊断结果Y，即航天器某类异常事件发生的概率。